没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
主要介绍了运用深度学习来预测煤矿井下瓦斯浓度的技术,通过预测结果有效避免因为瓦斯浓度过高而导致的煤矿事故。本项目通过构建CNN-LSTM神经网络模型,结合多站点多传感器数据,提取数据特征的空间关系以及进行时序处理,从而对瓦斯浓度做出预测。所包含的技术有数据清洗,数据筛选,深度学习网络搭建,模型训练和预测,以及数据可视化等。在数据清洗过程中,对原数据使用pandas技术进行处理,提取所需列存入新的文件,去除异常值的同时也保留了所需要的含有时间序列和空间序列的数据,再对含有时间序列和空间序列的数据进行处理以及设置瓦斯浓度为标签数据,然后对数据进行了分类,包括训练集,验证集以及测试集。在网络模型中先运用CNN卷积神经网络对特征之间所存在的空间关系进行提取,然后在卷积神经网络后通过添加LSTM长短时记忆模型来对时间序列进行处理,并且使用全连接层学习输入特征与输出存在的非线性关系。在CNN-LSTM神经网络模型中不断对参数进行调整,防止出现过拟合现象,以此提高预测的精度,从而能够更准确地对瓦斯浓度进行预测。
资源推荐
资源详情
资源评论
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![py](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![vsdx](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![csv](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/release/download_crawler_static/88912451/bg1.jpg)
【摘要】
随着人工智能与大数据的快速发展,人工智能技术已经深入到社会的方方面面。为了解决煤矿
井下瓦斯浓度过高引起的安全隐患,本文提出了一种新的 CNN-LSTM 模型,它可以有效地预测瓦
斯浓度,从而预防安全事故的发生。CNN-LSTM 模型通过对多站点多传感器数据进行数据处理分
析,考虑井下温度、湿度和气压等多种环境因素,对瓦斯浓度进行预测。该模型综合 CNN 模型对
序列空间特征提取的优势并结合 LSTM 模型在处理时间序列方面的突出优势,对瓦斯数据进行时空
特征提取并对未来时刻的瓦斯浓度进行预测。波兰煤矿数据集上的实验结果表明,与单一的 CNN
或 LSTM 相比,所提出的模型在 MAE、RMSE 和 R
2
等评价指标上有很大的改进。
【关键词】:瓦斯浓度预测; 数据预处理; 时空特征提取; 卷积神经网络; 长短期神经记忆网
络
![](https://csdnimg.cn/release/download_crawler_static/88912451/bg2.jpg)
【Abstract】
With the rapid development of artificial intelligence and big data, artificial intelligence technology has
been deeply into all aspects of society. A new CNN-LSTM model is proposed to solve the hidden danger
caused by the high gas concentration in coal mine, which can effectively predict the gas concentration and
prevent the occurrence of safety accidents. In this model, the gas concentration is forecasted by analyzing
the data of multi-station and multi-sensor, combining with the factors of temperature, humidity and air
pressure. In this model, the advantage of CNN model and the prominence of LSTM model in dealing with
time series are used to extract and forecast the space-time feature of gas data. Experimental results on a real
Polish coal mine dataset show that the proposed model has a large improvement in evaluation metrics such
as MAE, RMSE and R
2
compared to a single CNN or LSTM.
【 Key words 】 : Gas concentration prediction; preprocessing; Spatio-temporal feature extraction; CNN;
LSTM
![](https://csdnimg.cn/release/download_crawler_static/88912451/bg3.jpg)
目录
1 绪论.................................................................1
1.1 研究背景及意义..................................................1
1.2 研究内容........................................................2
1.3 本章小结........................................................2
2 环境搭建.............................................................3
2.1 基础开发环境搭建................................................3
2.1.1 CUDA 的下载安装 ..........................................3
2.1.2 cudnn 的下载安装 ...........................................4
2.2 深度学习环境搭建................................................4
2.2.1 miniconda 的安装............................................4
2.2.2 环境初创建.................................................5
2.3 本章小结........................................................9
3 数据清洗............................................................10
3.1 数据分析.......................................................10
3.2 定义清洗规则...................................................13
3.3 数据清洗.......................................................13
3.4 本章小结.......................................................17
4 深度神经网络模型....................................................18
4.1 CNN 网络结构概述 ..............................................18
4.1.1 人工智能网络..............................................18
4.1.2 卷积神经的层级结构........................................20
4.1.3 卷积计算层................................................21
4.1.4 激励层与池化层............................................22
4.2 LSTM 网络结构概述 .............................................23
4.2.1 RNN 循环神经网络 .........................................24
4.2.2 LSTM 神经网络 ............................................24
4.2.3 LSTM 的核心思想 ..........................................26
4.2.4 LSTM 的逐步解析 ..........................................26
![](https://csdnimg.cn/release/download_crawler_static/88912451/bg4.jpg)
4.3 本章小结.......................................................29
5 CNN-LSTM 模型训练与预测 ...........................................30
5.1 数据集获取.....................................................30
5.2 数据预处理.....................................................32
5.3 时间序列处理...................................................34
5.4 数据集划分.....................................................35
5.5 构建 CNN-LSTM 网络 ...........................................36
5.6 模型训练.......................................................40
5.7 瓦斯浓度预测...................................................42
5.8 本章小结.......................................................45
6 CNN、LSTM、CNN-LSTM 模型预测指标对比 ...........................46
6.1 CNN 模型预测评估指标 ..........................................46
6.1.1 选取数据集................................................46
6.1.2 CNN 模型定义 .............................................47
6.1.3 CNN 网络训练 .............................................47
6.1.4 瓦斯浓度预测..............................................50
6.2 LSTM 模型预测评估指标 .........................................52
6.2.1 选取数据集................................................52
6.2.2 LSTM 模型定义 ............................................52
6.2.3 LSTM 网络训练 ............................................53
6.2.4 瓦斯浓度预测..............................................54
6.3 三种模型预测评估指标可视化.....................................56
6.4 本章小结.......................................................57
结论..................................................................58
参考文献..............................................................59
致谢..................................................................61
![](https://csdnimg.cn/release/download_crawler_static/88912451/bg5.jpg)
南京晓庄学院 2023 届本科毕业设计(论文)
1
1 绪论
1.1 研究背景及意义
21 世纪以来,我国的工业化已经到了一个崭新的时代。工业的发展需要靠能源的推动,如今我
国的新能源开发使用率相比于其他的传统能源的比重还是有着不小的距离,作为我国传统能源中不
可缺少的一部分的煤炭,在我国国民经济发展的历程中扮演着一个极其重要的角色。随着全国出现
了一定程度的资源枯竭、能源供应逐渐紧张,煤炭的供应需求仍然会占据着很大的比重。同时伴随
我国科学技术的不断发展,安全管理制度和政府的监督管理的不断完善,在我国的煤矿安全管理工
作上也已经取得了良好的成果,煤矿安全问题保持着平稳的态势发展。但是由于矿井灾害造成的人
员伤亡数量还是不容小觑,根据我国国家矿山安全监察局所发布的消息:2022 年,全国矿山安全生
产形势总体稳定,一共发生事故 367 起、死亡 518 人。在这里面有 168 起因煤矿导致的事故造成了 245
人的死亡,而有 199 起是由于非矿山导致的事故,死亡人数达到了 273 人。由此可见,在煤矿的生
产发展中安全是一个很值得重视的问题。
在矿山开采过程中,瓦斯爆炸、粉尘、冒顶、渗水和火灾等自然灾害时时刻刻都对工人们的生
命安全构成了巨大的威胁,一不小心就会给人们的生命财产和国家造成不可弥补的损失。自建国以
来,我国发生的 24 起煤矿特别重大事故里就有大约 90%都是因为瓦斯所导致的,并且其所导致的伤
亡人数远远高于矿井工作的其他事故,因此瓦斯灾害被称为是煤矿的第一大灾害。预防瓦斯泄露成
为矿井工作的重大任务,及时地采取措施,最大限度地减少这些灾害带来的损失,很多时候甚至能
够避免灾害的发生。
在对大量煤矿瓦斯事故发生缘由的研究中得知,瓦斯事故的发生,与其相关的实时和历史性数
据通常表现出一定的规律性。其特征在于,这类事故的起因通常具有一定的重现性,经过分析,它
符合一定的统计分布,对可测量环境的表征数据的监测结果是判断事故是否已经发生的一个重要依
据。换言之,瓦斯事故的发生往往是有迹可循的,并非毫无规则,对某一具体环境下的监测资料进
行综合分析,可以找出发生瓦斯事故所需要具备的某些特定条件。
随着以数据融合为代表的数据处理技术日益发展,为探索井下环境的危险性和各种监测指标之
间存在的关系创造了有利且可行的条件。伴随着各种井下安全监测设备体系的不断完善,所带来的
监测数据也越来越多,但其中不乏充满了很多冗余并且有着很多驳杂的监测数据,如何去提取有利
的信息并且利用来对瓦斯灾害进行准确预测将是本课题所研究的方向。
剩余64页未读,继续阅读
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/86f7c6daf5a342fd968df125625338a9_qq_55481158.jpg!1)
NURBS.
- 粉丝: 132
- 资源: 2
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
- AI绘画工具介绍(文档)
- pandas-2.2.2-cp311-cp311-musllinux-1-1-aarch64.whl
- 小程序开发基础与简单示例.pdf
- matlab:读取图像+显示图像+显示图像的直方图+直方图均衡
- pandas-2.2.2-cp311-cp311-manylinux-2-17-x86-64.manylinux2014.whl
- 如何充分运用ansys的HELP
- pandas-2.2.2-cp311-cp311-musllinux-1-1-x86-64.whl
- C语言可变长数组(VLA)详解与应用
- android-studio-2024.1.1.12-windows-zip.zip.001
- 辰光PHP客服系统多商户全开源V3.1版+安装教程
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)